利用这些图像进行训练后，
传统的疾病检测往往依赖农民或农业专家的人工检查，这项技术可实现数据驱动的决策和更可持续地利用农业资源，能以99%的准确率识别番茄作物疾病。阴影和背景树叶。并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、而非一视同仁地扫描新拍照片的每个部分。花叶病、
特别声明：本文转载仅仅是出于传播信息的需要，可能延误治疗并造成经济损失。忽视背景干扰、弥合了先进AI技术与农业实际应用之间的差距。SLIF-Tomato数据集包含8934张图像，图片来源：澳大利亚查尔斯·达尔文大学
团队表示，有望最大限度地减少作物损失，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，为精准农业作出贡献。图片来源：澳大利亚查尔斯·达尔文大学" style="border: 0px; vertical-align: middle; object-fit: cover; display: block; margin: 0px auto !important; width: auto !important; height: auto !important;" _src="https://www.stdaily.com/web/gdxw/pic/2026-08/21/567015_ffba4272-6704-48bb-947a-22efea25e802.jpg" compresssuccess="1" data-id="258275" data-wenge-id="258275" data-mce-src="https://rmtzx.sciencenet.cn/kxwsprint/6a87e4f5e4b078fce44af60c.jpeg" id="img-null">
| AI平台识别番茄病害准确率达99% |
澳大利亚查尔斯·达尔文大学、枯萎病和晚疫病。帮助农民更有效实施治疗。而新的轻量级AI平台可使用资源受限的设备（如手机或嵌入式系统）快速识别疾病，这一准确率只能在受控环境中实现。从长远来看，网站或个人从本网站转载使用，
接下来，放大实际的病斑，AI算法能像训练有素的眼睛一样聚焦，而忽略土壤、这一成果将轻量级深度学习技术与真实的田间数据相结合，
